大发云系统welcome

在应用层面，我国市场大、应用场景多、落地快、市场繁荣，有许多创业公司，“但它底下的硬件和软件有问题。这是我们的现状。”

“所以大模型的用处更应该是因地制宜，或者因任务制宜，很多的任务可能不太适用于像今天的大模型。我们有必要去尝试其他的研究路线。我们这几年在研究‘学件’(learnware)，这个词也是我们造出来的。”周志华介绍，学件=模型+规约，基本思想是不依赖“一两个英雄模型打天下”，可以发挥多个模型的集成作用，以适应不同任务需求。在未经过专门训练的新任务上提供解决方案，同时强调保护用户和开发者的数据安全，实现模型之间的协同工作，以推动创新和提升问题解决能力。

由于前面列举的各种问题，人们都希望大模型能够持续学习和终身学习，希望模型随着应用的不断发展，能够不断地“学”下去。周志华判断：“这件事情在今天基于神经网络，或者从基本的数学工具上还看不到解决方案。”

周志华教授提到，现在人们都希望先训练一个模型，并希望在使用的过程中不断去更新它，但是目前的大模型路线，有一个问题叫“灾难性遗忘”。他以自动汽车驾驶为例，若机器学习模型在对新环境获取的数据进行学习时，会“冲掉”旧环境中得到的宝贵信息，会出现重大安全隐患。

首先，构建大模型要先规划任务、收集数据，然后训练出模型，也就是说必须先考虑到要解决某一类任务，然后为它去收集数据做模型，这时如果有一个新任务，原来没有被考虑规划过，就没有模型可用。

胡事民院士分析了目前人工智能发展过程中，我国面临的几个不利条件。首先，从硬件来看，两种国外AI芯片占了很大的市场份额。国产芯片要融入既有生态非常难，迭代更新慢。

中国计算机学会以“智启新局”为主题，于5月16-18日在浙江宁波举办了2024青年精英大会(YEF2024)，1200多名来自全国各高校、科研院所、企业的青年学者、专家，集中讨论了大模型、人工智能安全、国产算力、开源芯片、脑机接口等多个前沿领域的发展问题。

相较于大语言模型，近期以Open AI的SORA、GPT-4o，以及谷歌的Gemini为代表的世界模型，成为学术界和工业界的研究热点，被认为是通向强人工智能的关键技术路径。但是以多模态学习为基础的世界模型的路线还不清晰，未来发展有很多争议。复旦大学教授邱锡鹏教授发起的“世界模型之路在何方”的论坛，吸引了更多学者探讨世界模型的发展路线，以及在国内算力不足的条件下如何轻量化发展，如何跨模态相互理解等研究方向。

其次，大模型训练和使用的能耗、碳耗、数据消耗都很大，一般人用不起。有人预测，按照现在的趋势下去，2025年一个大模型训练产生的碳排放相当于全纽约1个月的碳排放。

“需要以深度学习框架为牵引，夯实我国AI生态。”胡事民院士提出，因为框架承上启下，它可以在芯片算力水平不高的情况下尽量挖掘潜力，同时把应用层支撑好。清华大学在2020年3月20日推出“计图”深度学习框架，具备两个优点：第一个好处是快； 第二个好处是对硬件的支持广泛，可以快速适配任何一款国产硬件。“希望以‘计图’框架为核心，基于国产硬件促进人工智能算法应用的创新，来推动开源开放，构建中国人工智能的生态。”

清华大学公共管理学院教授，人工智能治理研究中心主任梁正在专题报告中指出，发展人工智能，我国在基础理论、核心软硬件和生态方面还与国际先进水平有一定差距，要平衡创新与治理、践行价值对齐的伦理思路，并吸收国际经验，探索理念开放、主体多元、对象分层、工具灵活的敏捷治理新思路，以推动我国人工智能治理的进一步发展。

中国工程院院士、清华大学教授郑纬民告诉中青报·中青网记者，从学术角度来看，现在有4类人在关注大模型，一是真正做大模型的，二是大模型+，做应用的，三是进行政策规范治理的研究学者，四是为大模型应用，进行基础设施建设的科研人员。

大发云系统welcome热度不减的大模型是实现人工智能的唯一解决方法吗？每个行业都要有自己的大模型吗？对于大模型，我们自主的发展路径是什么？当预训练大模型搅动起巨大的研发、应用热潮，这些问题随之产生。

中国科学院院士、清华大学教授胡事民提及，本轮人工智能发展有4驾马车：算力、框架、算法、数据，汇聚并促进了人类智慧的交融。他认为，应该更全面看待人工智能发展，不要只看应用端，要从硬件、框架、模型算法和应用4个层面来看，这四者都对人工智能的生态产生重要影响。

“训练大模型要有大量的训练数据，但是在大数据时代，这仍然是问题。”周志华表示。此外，数据隐私和所有权问题还无法解决。

作为大会程序委员会主席，清华大学副教授崔鹏说，我们现在整体人工智能的发展路径还是以跟随为主，其中一个很明显的现象是，OpenAI发布一个新的产品，我们赶紧奋起直追，那么中国人工智能自主发展路径在何方，希望汇聚青年精英的力量，共同去探讨和商议。

其次，从框架来看，国外深度学习框架占据主导的地位，国产框架面临生态屏障。从模型与算法方面来看，比前两者要好，但需加强原始创新。